基于遗传算法的BP神经网络模型在地下水动态预测中的应用研究

地下水系统是一个复杂的非线性动力系统,地下水系统的输出(地下水位)与输入(降水入渗、蒸发、人工开采等)具有非常复杂的非线性关系。神经网络以其强大的处理非线性系统的能力而在地下水水位预测中得到了广泛的应用,它与传统的统计分析模型相比,具有更好的持久性和适时预报性,且能用于解决同时存在多个自变量和多个因变量的地下水系统预报问题。但是由于网络输入存在多重共线性,导致网络泛化能力不高,降低了网络的预测性能;并且在求解时易陷入局部极小,且收敛速度慢。针对以上问题提出了基于遗传算法的BP神经网络地下水动态预测模型。先用遗传算法优化确定BP网络的初始权阀值,然后应用LMBP算法在这个解空间里对网络进行精调,搜索出最优解或近似最优解。这样既实现了两者的优势互补,发挥了神经网络广泛的映射能力和遗传算法的全局搜索能力,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。本文以Matlab7为平台设计了计算过程和具体的实现方式,还以分布于元宝露天矿区的6眼监测并为例,分别采用基于遗传算法的BP神经网络模型和BP神经网络模型对研究区的地下水位进行了短期预测,从对比分析的结果来看基于遗传算法的BP神经网络模型明显优于BP神经网络模型,是一种预测短期地下水位比较理想的预测模型。     

基于GA改进BP神经网络的建设工程投标报价研究

在建设工程项目投标报价过程中,如何来确定标高金直接关系到承包商能否中标和盈利以及施工企业今后的生存与发展。提出基于遗传算法(GA)优化BP神经网络的标高金预测方法。在分析BP神经网络基本原理的基础上,主要阐述了如何应用遗传算法来改进BP神经网络收敛速度慢和易于陷入极小值等缺点。对BP神经网络模型隐含层节点数进行优选后,建立起GA改进BP神经网络的标高金预测模型;最后应用该模型和一般BP神经网络模型对20个典型国际工程实例的标高金进行计算和预测。计算结果对比发现,经遗传算法改进后的BP神经网络模型在降低计算和预测平均误差的同时,迭代次数比一般BP神经网络模型也大大减少了。因此,该模型适用于求解如建设工程投标报价等非线性问题。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

基于遗传神经网络模型的水质综合评价

建立了用于水质综合评价的遗传神经网络模型.该模型运用遗传算法优化改进型BP神经网络的初始权值和阈值,具有快速学习网络权重和全局搜索的能力,有效解决了BP神经网络容易陷入局部极小点和训练结果不稳定的问题.采用苏帕河梯级电站的水质监测数据对该模型进行了测试,并与其他方法进行了比较.结果表明,该方法用于水质综合评价客观、合理、准确,有其独特的优越性.     

不确定水质模型在城市河流水质模拟中的应用

鉴于城市景观河流受沿河排水污染,水质波动较大,建立了内嵌神经网络的一维不确定性水质模型,利用改进适应度函数的遗传算法,优化水质模型的参数解.经实例验证,不确定性水质模型拟合的精度更高,对排入污染物的波动更敏感,其对景观河流水质预测的平均准确度基本在80%以上,普遍高于确定性水质模型,尤其是在靠近污染源的监测断面,其不确...     

基于GALM神经网络的建筑能耗短期预测

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合Levenberg-Marquardt算法(GALM)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用Levenberg-Marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立GALM神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。     

基于遗传算法改进BP神经网络的页岩气产量递减预测模型

页岩气藏储层孔隙特征复杂、渗透率不高,导致页岩气产量递减规律与常规气藏不同,常规递减模型对页岩气藏适应性较差。根据遗传算法改进的BP神经网络,建立以时间、累计产量、地层压力作为输入层,页岩气日产量作为输出层,遗传算法优化神经网络权值和阈值的页岩气产量递减预测模型。将改进的BP神经网络、常规的BP神经网络和Arps递减模型的预测结果进行比较,遗传算法优化的BP神经网络的最大相对误差为8.184%,常规BP模型的最大相对误差为17.821%,Arps递减模型最大相对误差为19.950%。遗传算法优化的BP神经网络预测精度最高,可见,此方法对页岩气产量递减预测具有较好的适用性,为预测页岩气产量递减提供了1个有效、可行的方法。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

利用遗传算法优化的ARIMA-BP组合模型预测手足口病发病趋势

目的探讨ARIMA模型及遗传算法优化的ARIMA-BP神经网络组合模型在传染病预测与预警中的应用,为相关部门制定防治措施提供参考。方法选择某市2009~2013年的手足口病发病数作为研究对象,首先建立ARIMA模型,得到的拟合值作为神经网络输入值,真实观测值作为输出值,带入通过遗传算法优化的BP神经网络中训练,并比较两种模型的预测精度。结果对建立的ARIMA(1,0,0)(1,1,0)12模型预测的相对误差为39.89%,决定系数为0.786,经统计检验残差为白噪声序列;组合模型预测的相对误差为26.25%,决定系数为0.852。结论该组合模型的预测精度高于ARIMA模型,且对于极值的预测较为精确,可以为其他传染病的预测及建立统计预警提供参考。     

基于深度学习的公路路面预防性养护自动化决策

公路预防性养护中的决策通常是昂贵且复杂的,不适当的维修策略会导致预算使用效率低下,选取G108国道10年的100 m间隔的病害实测数据、交通荷载数据、气候历史和养护记录作为ANN模型的输入数据,分别采用反向传播神经网络模型和混合神经网络模型对一级公路沥青路面使用性能的5个指标进行预测,并采用遗传算法对模型的超参数进行优化。结果表明,与传统ANN相比,遗传算法增强的HNN模型预测一级公路沥青破损性能的准确率平均提高了35%,并从模型的泛化能力证实HNN模型对性能参数的预测效果优于BP模型。     

改进遗传神经网络的大坝渗流监测模型

在对遗传算法的适应度函数改进并修改选择方法的基础上,用改进的遗传算法优化BP神经网络权值,提出一种改进遗传神经网络的大坝渗流监测模型。结合实例分析表明:预测模型合理,训练精度与检测性能得到提高。     

基于优化神经网络模型的隧道变形预测研究

神经网络预测技术一直是隧道学术界和工程界关注的关键课题.传统的神经网络对初始权值的依赖性很大,不同的初始值会导致差异很大的预测结果,并且初始值选择有很大的随机性和盲目性,往往导致网络振荡或不收敛.根据经典遗传算法的优势,对神经网络初始值进行优化,完成PB训练样本并建立非线性预测模型,避免了神经网络对初始权值的依赖性过大而引起计算误差.研究表明,GA-BP神经网络遗传算法适用于预测高速公路隧道断层破碎带围岩变形量,与现场试验数据相吻合,验证了GA-BP神经网络遗传算法工程应用的可行性,提高了预测的精度及避免人为误差.隧道洞周变形主要集中在开挖后12天,在此时间内应加强监控量测频率,以避免隧道过大变形引起坍方事故.     

岩体微裂隙注浆量预测分析的遗传神经网络方法

提出一种用于岩体微裂隙注浆预测新方法---遗传神经网络方法 ,即用遗传算法优化神经网络结构 ,提高神经网络预测能力的新方法。实际工程实例表明 ,该方法具有预测速度快、精度高、实用性强的特点 ,是注浆量预测的有效方法     

基于GIS的河流水体污染非线性预测系统研究

针对河流水体污染物的空间分布特点，提出综合运用GIS、BP神经网络和遗传算法，实现河流水污染的空间数据管理和污染预测的方法。该方法通过改进激励函数、为权值的修正加入动量项等方法改良BP算法；并引入遗传算法实现BP神经网络隐层节点数、最佳学习率和动量因子等参数的自动搜索，有效地解决了传统模型参数难以确定等问题。并进一步将该模型与GIS强大的空间功能结合，实现了水体污染的海量空间数据管理及评价预测结果的空间图形直观可视化表达，十分便于及时掌握河流水体污染动态、空间分布及演化趋势。并最终以GIS为二次开发平台，实现了基于遗传神经网络的河流水体污染非线性预测管理系统，并在长江重庆城区段河流污染预测应用中显示出良好的效果，预测精度达78％以上。     

基于遗传算法的BP神经网络在高程拟合中的应用

针对传统BP神经网络难以选取具有全局性的初始点的缺点,使用改进的遗传算法全局搜索优化神经网络各层之间的连接权和阈值,提高了BP神经网络的收敛速度和泛化能力。结合高程拟合算例进行训练检验,证明该方法是一种改进BP神经网络的有效方法。     

基于GA的BP神经网络在砂土液化评价中的应用

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。在探讨训练样本选取的基础上,耦合遗传算法和BP神经网络构建了遗传网络并应用于砂土液化的评价,通过与动量梯度下降算法改进的BP神经网络对比,表明了基于遗传算法的BP神经网络在砂土液化评价中的优越性。     

基于改进遗传算法的给水管网优化设计

针对基于简单遗传算法的给水管网优化设计在供水安全性和经济性方面存在的不足,提出了适于管网优化设计的改进遗传算法。改进遗传算法采用罚函数技术和自适应策略,有效地解决了简单遗传算法管网优化设计中水力性能较差的问题。以典型环状给水管网为例的计算结果表明,改进遗传算法设计方案的经济性和供水安全性都优于简单遗传算法设计方案,充分说明改进遗传算法用于给水管网优化设计具有实用性和有效性。     

位移反分析的进化神经网络方法研究

将人工神经与遗传算法相结合,提出了一种用于位移反分析的进化神经网络方法,这种方法基于正交试验获得的样本进行学习,用遗传算法搜索最优的神经网络结构,并用最佳推广预测学习算法训练此网络,以此训练好的网络描述岩体（土）的力学参数与岩体位移是非线性关系,再应用遗传算法从全局空间上搜索,进行岩体力学参数的最优辩识。作为例子,文中给出了弹性问题的反分析,结果是令人满意的。     

一种基于神经网络的机动目标轨迹预测方法

提出了一种利用神经网络技术对机动目标的轨迹进行预测的方法,并给出了具体的实现算法和仿真实例.在BP神经网络和遗传算法的基础上作了改进,提出优劣基因重组的思想,克服了遗传算法中所存在的种群内过早收敛的缺点,极大地提高了预测算法的准确度.     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。